在神经科学领域，如何从大脑活动中精确解码视觉感知信息一直是脑机接口（BCI）和认知神经科学的核心挑战。由于不同个体间神经解剖结构与功能连接的显著差异，传统的神经解码模型往往难以在跨受试者场景下保持稳健性。近日，发表于《Communications Biology》的一项研究提出了一种“大脑对齐”（Brain-aligning）策略，通过将神经活动映射至统一的语义向量空间，成功突破了视觉刺激解码的精度瓶颈。

研究团队指出，视觉感知不仅涉及初级视觉皮层的特征提取，更深层地依赖于大脑对语义信息的整合。为了实现跨个体的神经解码，研究人员利用大规模语言模型构建了高维语义空间。通过计算受试者在观看视觉刺激时的大脑活动模式与语义向量之间的相关性，研究人员能够将个体特异性的神经响应转化为一种通用的语义表征。

在实验过程中，研究人员采用了功能性磁共振成像（fMRI）技术记录受试者在观察不同类别视觉图像时的脑活动。通过引入语义向量对齐算法，模型能够有效校准不同受试者在处理相同视觉概念时的神经信号差异。数据分析显示，该方法不仅显著提升了对复杂视觉场景的分类准确率，还增强了模型在处理未见过的视觉刺激时的泛化能力。核心实验数据表明，经过对齐处理后的神经解码模型，其预测准确度较传统方法提升了约15%-20%，证明了语义空间在弥合个体神经差异中的关键作用。

这一研究成果不仅为理解人类大脑如何表征视觉语义提供了新的视角，也为开发更具普适性的脑机接口技术奠定了理论基础。未来，通过结合更精细的神经影像技术与动态语义建模，该方法有望在神经康复及人机交互领域实现更广泛的应用。

Journal Reference: Horikawa, T., Kamitani, Y. Brain-aligning of semantic vectors improves neural decoding of visual stimuli. Commun Biol 6, 123 (2023). DOI: 10.1038/s42003-023-04507-z